GraphRAG变种这么多，该采用哪种？九大GraphRAG评估参考 - 链载Ai

系统的评估总是有趣的，在前文，我们通过一个类似的benchmark得出结论：GraphRAG在需要多跳推理和上下文综合的任务中表现优异，但在简单事实检索任务中不如传统RAG。见《什么时候用GraphRAG？RAG VS GraphRAG综合分析》

本文，再来看一个评估工作，同样是一个GraphRAG-bench，也再次通过评估得出GraphRAG适合多跳推理场景，并且系统的评估了九大GraphRAG（RAPTOR、LightRAG、GraphRAG、G-Retriever、HippoRAG、GFM-RAG、DALK、KGP和ToG）在这个benchmark上的性能，供参考。

评估设计

数据来源：从超过100本出版物中，系统地挑选出最具代表性的20本计算机科学领域的教科书。

数据处理：其实就是文档解析，前面《文档智能》专栏也介绍了很多，包含：预处理、内容解析、后处理和层次结构构建。预处理阶段包括PDF分类和元数据提取；内容解析阶段使用LayoutLMv3进行布局分析、公式识别和OCR；后处理阶段使用MinerU重新排序和合并页面区域；层次结构构建阶段将提取的内容组织成层次化的教科书树结构。

评估问题设计：定义了五种类型的问题，每种类型都针对GraphRAG的不同推理能力。如下表，GraphRAG-bench评估问题类型的描述

问题类型	描述
填空题(FB)	要求用语义精确的术语完成上下文相关的陈述。这些题目评估模型利用局部语义依赖和图结构知识中的实体定位，生成上下文连贯内容的能力。
多选题(MC)	提供一个问题及4个选项，包括语言上合理的干扰项。这些题目评估模型通过区分性推理识别正确答案的能力，整合实体信息和边关系以排除语义相似但事实错误的选项。
多选答题(MS)	要求从4个选项中选择2-4个正确答案，通常需要对相互关联的概念进行推理。包含重叠干扰项的设置测试模型处理复杂查询语义的能力，从多跳图路径中聚合证据，并解决相关但非必要属性之间的冲突。
判断题(TF)	涉及验证陈述的正确性。这些题目衡量模型的事实准确性评估能力，要求对知识进行逻辑推理。
开放式问题(OE)	开放式问题允许广泛的回答，要求方法生成详细且全面的答案。这些题目评估模型的整体知识综合能力，要求整合多学科知识以生成结构化、逻辑连贯的长篇回答。

评估指标：涵盖图构建、知识检索、答案生成和推理过程的评价。图构建评估包括效率、成本和组织性；知识检索评估包括索引时间和平均检索时间；生成评估引入了新的Accuracy指标，考虑语义对齐和正确性；推理评估通过LLM对生成的理由进行评分，评估其逻辑一致性。

实验与结论

GraphRAG在大多数任务中显著提升了LLM的推理能力。例如，在开放性问题（OE）上，GraphRAG的平均准确率达到了52.42%，而基线模型GPT-4o-mini仅为52.23%。在多跳推理任务中，GraphRAG方法如RAPTOR和HippoRAG表现尤为突出，分别在准确率和推理分数上取得了73.58%和45.53%的成绩。
在数学领域，GraphRAG方法的表现有所下降，这主要是因为数学问题需要严格的符号操作和精确的推理链，而GraphRAG检索到的信息往往与问题要求不完全匹配，导致信息提取和转换中的歧义或关键步骤丢失。
在伦理领域，GraphRAG和LLM本身的表现均较为一般，原因是伦理问题涉及主观价值判断，LLM通过统计学习捕获的符号表示难以准确建模这些模糊的伦理概念。